实时空间视频生成模型评测

你在选实时空间视频生成模型时，多半会先看一堆宣传片段，结果真接进项目才发现延迟对不上、空间一致性崩、长时生成掉帧。这篇不讲玄学跑分，只给一套能自己跑出来的对比口径：先定义你的场景硬指标，再用统一素材做横向验证，最后按差距决定是换模型还是改流程。

你在选实时空间视频生成模型时，多半会先看一堆宣传片段，结果真接进项目才发现延迟对不上、空间一致性崩、长时生成掉帧。这类问题不是模型「好不好」的问题，而是你的评测口径和厂商的演示口径不一致。下面这套框架，目标是让你用自己手头的素材，跑出能支撑技术选型的对比结果。

先说明一点：本文不给任何模型打分、不排名次、不写具体延迟数字。凡是涉及具体数值的地方，都建议你到站内页面核对当时的记录，因为模型和中转线路都在变，写死的数字很快就会过期。你要带走的是口径和动作，不是结论。

先定场景，再定评测口径

很多人一上来就找榜单，这是顺序反了。评测口径应该由你的场景倒推出来。同样是「实时空间视频生成」，做直播滤镜的团队和做远程协作白板的团队，关心的东西几乎不重叠。前者在意画面连续性，后者在意改机位后物体位置对不对得上。先写清楚你的场景约束，再决定测什么。

首帧出图时间

从提交请求到出现第一帧可用画面的耗时，决定用户愿不愿意等

帧间隔波动

连续生成时每帧间隔的抖动程度，比平均帧率更影响体感流畅度

交互响应

用户改视角或改动作后，模型多久重算并给出新画面

空间一致性

改机位后物体位置、遮挡关系、尺度是否仍然对得上

长时稳定性

连续生成到分钟级后，是否出现漂移、闪烁或突然崩坏

• 把「实时」拆成三件事分别测：首帧出图、帧间隔波动、交互响应，不要合成一个数。
• 区分单视角伪三维和多视角一致：后者才要求改机位后遮挡关系正确。
• 列出不可让步项（如必须消费级显卡可跑、必须流式输出），可让步项单独标注。
• 不可让步项不达标的模型直接淘汰，不要因为画面好看而给它加豁免。

用统一素材搭一个可复现的对照测试

各家官方演示片段不能用来做对比，因为输入分布、机器配置、剪辑筛选都不一样。你需要自己搭一个最小对照环境：同一批输入跑所有候选模型，输出逐条留档。这件事听起来麻烦，但它是唯一能让对比结论站得住的做法，也是后面排查问题时唯一的参照。

1. 固定输入集准备三段素材：静态空间（相机绕物体转）、动态空间（物体移动且相机移动）、长时段（连续生成到分钟级）。提示词、参考图、时长、分辨率全部写死，存成一个清单。
2. 统一跑批同一份清单依次跑所有候选模型，输出文件按「模型名-场景名」命名，不要手工挑好的片段。
3. 记录失败模式不要只打分。记下每段是空间错位、纹理糊化、帧间闪烁还是中途崩坏，失败模式决定后面用什么补救手段。
4. 重复一轮换一天再跑一次同样的清单，看结果是否稳定。只在一次跑批里表现好的模型，风险很高。

这套流程的产物不是一张排名表，而是一份失败模式清单。选型的时候，你能接受的失败模式决定你选谁，而不是谁的分高。比如做协作白板，空间错位是致命的；做短视频背景，偶发闪烁可以靠后处理压一压。

读懂评测指标，别被榜单带着走

榜单不是不能用，而是要知道它的适用范围。绝大多数榜单绑定了一组特定输入分布，你的素材和它差得远的时候，排名未必迁移。看到单一总分榜单，第一件事是看它有没有把延迟和画质混成一个数——混在一起的总分对工程取舍几乎没有参考价值。

• 客观指标自己能量，主观指标要多人交叉打分并校准打分标准。
• 榜单结论只在输入分布接近时才可参考，室内小场景和人物近景的结论未必通用。
• 遇到把延迟和画质混成一个数的总分，拆成维度看，不要直接拿来排序。
• 任何写死的数字都会过期，做决策前去站内页面核对当时的口径。

横向对比与落地验证的顺序

对比要有顺序感，不然会陷进「每个都不错」的泥潭。建议按硬门槛、对照测试、小流量试跑三段走。硬门槛是过滤，对照测试是排序，小流量试跑是确认稳定性。跳过任何一段，后面都会返工。

1. 第一步：卡硬门槛本地能否跑、接口能否调、授权是否允许你的用途。不满足的直接淘汰，这一步不看效果，只做过滤。
2. 第二步：跑对照测试按上一节的清单跑所有幸存模型，记录每个模型的失败模式，标注你能接受的上限在哪里。
3. 第三步：小流量试跑用真实流量的一小部分持续跑几天，观察连续运行下的稳定性、失败率与成本波动，再决定是否扩量。
4. 第四步：核对计费口径到 /official-api 与 /price-watch 核对当时的计费方式与变动记录，确认扩量后的预算可承受。

常见误判与不适用情形

最后列几个选型时最容易踩的坑。它们共同的特点是：看起来省事，实际上把风险推迟到了上线之后。你不可能完全避开，但至少要在做决定的时候知道自己承担了什么。

• 拿演示视频当性能证据，忽略演示多为精选片段和高配环境。
• 把「实时」等同于「低延迟」，忽略帧间抖动对交互体验的影响。
• 只看单次跑批结果，不做重复验证，稳定性无从判断。
• 用别人的素材跑出的结论，直接套到自己的场景上。
• 在需要严格空间尺度的场景里采信生成类模型的输出。

关于不适用情形，有两个边界要说清楚。一是需要精确空间尺度（测量、工业定位）的场景，生成类模型的输出通常不可直接采信，这类需求应该换别的技术路线，不是换个模型能解决的。二是你的输入分布和主流评测素材差别很大时（比如极端光照、超近距离拍摄），现有评测结论基本失效，只能自己重跑一遍对照测试。

选型的本质不是找最强的模型，而是找失败模式你能接受的那个。